一种基于GRU-TCN模型的电网负荷预测方法与流程

技术特征：
1.一种基于gru-tcn模型的电网负荷预测方法，其特征在于，包括以下步骤：s1：采集预测日的电网中各设备的负荷数据，形成以时间为序列的负荷数据组其中n为负荷的种类，t为采集的时间；s2：对采集的负荷数据进行归一化处理，并根据相关值模型，选择相似日的电网中各设备的负荷数据，输入到负荷数据组中，扩大负荷数据组的数据量，得到归一化后的负荷预测数据组；s3：将负荷预测数据组输入到gru-tcn模型中，输出电网各时段的负荷预测值；s4：建立数字孪生电网，将负荷预测值输入到数字孪生电网中，输出真实负荷值；利用均方根误差rmse对负荷预测值和真实负荷值进行评估，修正数字孪生电网的控制参数。2.根据权利要求1所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s2包括以下子步骤：s21：将负荷数据组中的每个负荷数据进行归一化，并映射到区间[0，1]内，得到归一化值s22：计算负荷数据组中所有归一化后的数值的平均值s23：采集相似日的电网中各设备的负荷数据组s23：采集相似日的电网中各设备的负荷数据组其中m＝n，并利用步骤s21中的归一化方法，对负荷数据组中的负荷数据x
m
进行归一化，得到归一化值x
m
′
；s24：利用归一化值x
m
′
和平均值计算相关度r
x
；s25：将相似度r
x
与相似度阈值r
x阈值
进行比较，若r
x
≥r
x阈值
，则将该负荷数据x
m
加入到负荷数据组中；若r
x
＜r
x阈值
，则证明该负荷数据x
m
为不相关的变量，删除该负荷数据x
m
；s26：遍历相似日中采集的所有电网各设备的负荷数据x
m
，执行步骤s23-s25，得到归一化后以时间为序列的负荷预测数据组化后以时间为序列的负荷预测数据组s为增加的负荷数据量。3.根据权利要求2所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s21中的归一化方法为：其中，x
(t)
为负荷数据组中的任一负荷数据，分别为负荷数据组中的最大值和最小值。4.根据权利要求2所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s24中利用归一化值x
m
′
和平均值计算相关度r
x
的方法为：
5.根据权利要求2所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s3包括以下子步骤：s31：将负荷预测数据组作为输入矩阵；s32：将输入矩阵输入到tcn网络模型中，输出关于的特征矩阵f；s33：将输出矩阵f输入到全连接层中，输出由预测值组成的预测矩阵y＝[y1，y2,
…
,y
v
]，v为预测矩阵中预测值的数量；s34：将预测矩阵y输入到gru网络模型中，输出t时刻对应的状态值c
(t)
；s34：将输出的状态值c
(t)
作为电网的负荷预测值。6.根据权利要求5所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s32中关于的特征矩阵f为：的特征矩阵f为：的特征矩阵f为：i＝[1，2，
···
，l]，k＝[1，2，
···
，k]，k≥1其中，w
k
为权重，v为输出特征矩阵f中的数据量，为第i层残差卷积的输出，f(
·
)为tcn网络模型的残差函数，k为时间序列，k取初始时间2k倍，k为超参数。7.根据权利要求6所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s34中t时刻对应的状态值c
(t)
为：ψ
r
＝sigmoid(ω
rc
c
(t-1)
ω
rx
x
(t)
b
r
)ψ
u
＝sigmoid(ω
uc
c
(t-1)
ω
ux
x
(t)
b
u
))其中，ψ
r
为相关门函数，ω
rc
为相关门函数中对上一时刻的输出状态值的权重，ω
rx
为相关门函数中t时刻输入的预测值的权重，b
r
为相关门函数的偏移输入；ψ
u
为更新门函数，ω
uc
为更新门函数中对上一时刻的输出状态值的权重，ω
ux
为更新门函数中t时刻输入的预测值的权重，b
u
为相关门函数的偏移输入；为候选函数，ω
cc
为候选函数中对上一时刻的输出状态值的权重，ω
cx
为候选函数中t时刻输入的预测值的权重，b
c
为候选函数的偏移输入。8.根据权利要求7所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s4包括以下子步骤：
s41：根据实体电网的运行设备、运行数据及管理数据建立智能仿真平台，对智能仿真平台中的运行设备的参数按照实体电网运行的参数进行设置；s42：将负荷预测值输入到智能仿真平台中，观测智能仿真平台中各运行设备的运行状态和预设运行参数，将预设运行参数输入到实体电网中，并每隔一段时间t采集一次实体电网中真实负荷值，得到真实负荷值数据组(y1，y2，
···
，y
z
)；s43：利用均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape对负荷预测值和真实负荷值进行评估。9.根据权利要求8所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s43中均方根误差的计算方法为：其中，y
l
为真实负荷值数据组中其中一个真实负荷值。10.根据权利要求8所述的基于gru-tcn模型的电网负荷预测方法，其特征在于，步骤s43中将均方根误差rmse与对应的阈值进行比较，若rmse≤rmse
阈值
，则表示智能仿真平台搭建准确；否则修正智能仿真平台中的运行设备的运行参数，返回步骤s42。

技术总结
本发明公开了一种基于GRU-TCN模型的电网负荷预测方法，包括以下步骤：S1：采集预测日的电网中各设备的负荷数据，形成以时间为序列的负荷数据组S2：对采集的负荷数据进行归一化处理，扩大负荷数据组的数据量，得到归一化后的负荷预测数据组；S3：将负荷预测数据组输入到GRU-TCN模型中，输出电网各时段的负荷预测值；S4：建立数字孪生电网，将负荷预测值输入到数字孪生电网中，输出真实负荷值；修正数字孪生电网的控制参数。本发明融合时间卷积网络(TCN)和门控递归单元(GRU)网络设计GRU-TCN预测模型，由TCN网络模型提取的高维数据特征被输入到GRU网络进行预测，可得到高精度的预测结果。度的预测结果。度的预测结果。


技术研发人员：钟加勇 陈咏涛 吕小红 籍勇亮 万凌云 高晋 厉仄平 靳敏 吴高翔 王雪文 晏尧
受保护的技术使用者：国网重庆市电力公司 国家电网有限公司
技术研发日：2022.11.08
技术公布日：2022/12/30